I 2015 chokerede et højt profileret udbrud af mæslinger ved Disneyland forældre til en grundlæggende ændring i perspektivet på vaccinationer. I årene før var det opfattede behov for MMR-vaccinen faldet, og med det var procentdelen af børn, der var beskyttet mod mæslinger. Efter at hundreder af mennesker blev syge, hvilket fik foreldrene til at vaccinere, steg priserne igen.
Måske skulle det være indlysende, at spring over vaccinationer ville føre til flere syge børn, men de fleste amerikanske forældre i disse dage har aldrig været nødt til at bekymre sig om mæslinger. Der er en dynamisk interaktion mellem den opfattede risiko for sygdom og den opfattede risiko for vacciner, forklarer Chris Bauch. Bauch, professor i anvendt matematik ved University of Waterloo, kiggede på sociale medie-tendenser før og efter Disneyland-udbruddet og bemærkede, at han statistisk set kunne spore det offentlige synspunkt mod vacciner og se den øgede sygdomsrisiko, før det skete. Han og hans samarbejdspartnere offentliggjorde arbejdet i Proceedings of the National Academy of Sciences i november.
”Alle har en vis intuition til at vippe punkter fra savsave. Hvis du har mere vægt på den ene side end den anden, tipter den ned på den tungere side. Men når du lægger mere og mere vægt på den modsatte side, vil den til sidst vælte, ”siger han. ”Disse vippepunkter udviser karakteristiske signaler, før de forekommer… Spørgsmålet er, kan vi se efter tilstedeværelsen af et vippepunkt, der fører til et stort fald i vaccineoptagelse, ligesom en vaccine skræmme?”
Vaccine skræmmer er kun et eksempel. Epidemiologer, computerforskere og sundhedspersonale anvender nu computerindlæring til data fra nye kilder - især sociale medier - for at skabe forudsigelige modeller, der ligner CDC'erne, men meget hurtigere. Tweets om ondt i halsen eller lægerbesøg, Google søger efter kolde retsmidler og endda din Fitbit eller Apple Watch kan alle give antydning til sundhedsudviklingen i et område, hvis det passer til placeringsdata. Og folk sporer det og uploader det.
”Pludselig har vi adgang til nogle af dataene, ” siger Marcel Salathe, leder af det digitale epidemiologilaboratorium ved Schweiz's EPFL-institut. ”Det for mig er virkelig det større billede af, hvad der sker her, for til en vis grad er dette en dyb ændring af datastrømmen fra traditionel epidemiologi.”
For Bauch og Salathe, der samarbejdede om undersøgelsen, var Twitter den primære datakilde. De byggede en bot for at søge efter tweets, hvori der blev nævnt vacciner og vurdere følelsen af disse tweets - uanset om de indikerede accept eller tvivl om vacciner. Derefter så de på resultaterne som et komplekst system med en feedback-loop, hvor de anvendte en matematisk model for at se, om det med tilbagevirkende kraft ville forudsige vaccinationsafmatningen, der førte til Disneyland-udbruddet. Det gjorde.
I systemer som dette forekommer visse målbare signaler, når systemet nærmer sig et vippepunkt. I dette tilfælde så forskerne en "kritisk aftagelse", hvor følelsen af vacciner var langsommere til at vende tilbage til det normale, efter en nyhedsartikel eller en tweet fra en berømthed påvirkede det. At være i stand til at se denne opfølgning til vippepunktet betyder, at givne lokalitetsdata kunne folkesundhedsembedsmænd oprette kampagner, der er målrettet mod områder, der har en øget risiko for en vaccinebrækning, og dermed et udbrud.
Der er naturligvis hindringer for at bruge offentligt tilgængelige data fra sociale mediekilder, herunder privatlivets fred, skønt forskerne, der bruger Twitter-data, påpeger, at det er slags antaget, at hvis du tweeter om dit helbred, kan nogen læse det. Det kan også være udfordrende at bygge computerprogrammer for at analysere de indeholdte oplysninger, påpeger Graham Dodge, medstifter og administrerende direktør af Sickweather, en app-baseret tjeneste, der genererer sundhedsprognoser og live kort over sygdomsrapporter.
Dodge og hans cofundere samarbejdede med forskere fra Johns Hopkins for at analysere milliarder af tweets, der nævner sygdomme. Processen involverede adskillelse af forsætlige, kvalificerede rapporter ("Jeg har influenza") fra mere vage kommentarer ("Jeg føler mig syg") og endda vildledende formulering ("Jeg har Bieber-feber"). De har også været nødt til at kompensere for fraværende eller unøjagtige lokaliseringsdata - alle Twitter-brugere, der simpelthen markerer “Seattle” som deres placering, faldt ned i et lille Seattle-postnummer i stedet for spredt over hele byen.
Sickweather blev lanceret i 2013 med en mobil app, der giver brugerne mulighed for at rapportere sygdomme direkte til Sickweather, samt se forholdene på deres placering. Kliniske forskere og farmaceutiske virksomheder bruger appens forudsigelige model til at foregribe sygdomsspidser flere uger forud for CDC, men med sammenlignelig nøjagtighed.
”Når dette engang er i hænderne på millioner af mennesker, i stedet for 270.000, hvordan dette spiller ud i skala virkelig kunne afværge spredningen af sygdom mange steder, ” siger Dodge.
Andre projekter har prøvet forskellige tilgange. Flu Near You fanger symptomer ved en selvrapporteret undersøgelse, GoViral har sendt et kit til selvanalyse af slim og spyt, og Google Flu Trends udnyttede virksomhedens data til at spore influenza og offentliggjorde sine resultater i Nature, skønt projektet lukket ned efter et forkert brand i 2013. Eksperimentet, hvor Google brugte influenzarelaterede søgninger for at estimere, hvor mange mennesker var syge, overvurderede forekomsten af sygdommen, muligvis fordi mediedækning af en dårlig influenzasæson fik folk til at søge influenzarelaterede udtryk oftere.
Mens Twitter kan bruges til at spore selve sygdommene, siger Salathe, at nogle af de udfordringer, som Dodge nævner, forklarer, hvorfor metaanalysen af accept af vaccine giver mere mening end selvrapporterede sygdomme.
”Jeg er ikke sikker på, at Twitter er den bedste datakilde til det, fordi folk giver så underlige udsagn om sig selv, når de skal selvdiagnosere, ” siger Salathe. ”Det handler faktisk ikke så meget om at spore selve sygdommen, men snarere spore den menneskelige reaktion på den.”
GoViral har en yderligere fordel, forklarer Rumi Chunara, NYU-professor i computervidenskab og teknik, der kører dette projekt. Det er ikke afhængig af selvrapportering, men på laboratorietest, der definitivt vurderer spredningen af vira og sammenligner dem med symptomrapporter.
”Der er en masse muligheder, men der er også udfordringer, og jeg tror, det er, hvor en masse af videnskaben kunne fokuseres, ” siger Chunara. Hvordan supplerer det kliniske data? Hvordan reducerer vi støj og anvender informationen? Hvilke mere specifikke felter eller menneskelig adfærd kan vi se på?
Nyere teknologier - især fitness trackere og andre direkte sundhedsmæssige mål - vil give flere, bedre data, der er mindre subjektive, siger hun.
”Mange gange får vi dette brus, dette er noget fantastisk, sociale medies sundhed, ” siger hun. ”Spørgsmålet om, hvordan det bliver brugt, er noget, som jeg mener, at hele samfundet burde se hen imod.”
